最后更新：May 7，2026

曲轴机器人3D视觉拣选：发动机零件分拣和送料视频

曲轴机器人拣选系统实现了发动机制造中一项难度较大的操作步骤的自动化：从深料箱中拣选重量大、形状不规则的曲轴，而这些曲轴的堆放角度可能各不相同。以下视频展示了如何利用六轴机器人、3D视觉、姿态估计和柔性夹爪，将随机的曲轴分拣转化为可重复的供料流程，以便后续进行加工、标记或装配。

如果嵌入式播放器无法加载，请直接在 YouTube 上打开视频： 曲轴式机器人拣选装置（带3D视觉）.

流程概述

曲轴是发动机的核心动力传输部件。在汽车制造过程中，它要经过锻造、精密车削、磨削、动平衡、标记和装配等工序。在这些工序之间，分拣和送料必须足够可靠，才能保证稳定的节拍时间，避免送错零件或操作员重复干预。

传统的手工分拣速度慢且容易出错，因为曲轴的几何形状不规则、配重块错位、加工表面反光以及堆叠方式随机。操作人员必须凭目测判断零件型号和最佳抓取点，这使得循环时间和质量稳定性难以控制。

目前的工程解决方案使用 6轴机器人 该系统与 3D 视觉系统配合使用。激光结构光扫描生成高密度点云，而深度学习则支持零件识别和姿态估计，从而实现随机拣选。经过优化的单元每个零件的拣选时间约为 48 秒，单个柔性夹爪无需更换硬件即可处理 6 至 8 个曲轴模型。有关类似的物料搬运应用案例，请参阅 EVSINT 的相关内容。 搬运机器人 类别。

曲轴箱拣选中的常见陷阱

相机视野和景深不足。 料箱深度通常可达 800 毫米。如果项目为了降低成本而使用窄视场角摄像机，则底层可能无法完全覆盖，这会导致识别失败率居高不下，并引起频繁的线路报警。

反射面上的点云质量较差。 精密加工的曲轴表面在激光扫描过程中会产生镜面反射。这会导致点云出现空隙和噪声，直接降低识别精度和姿态估计可靠性。

深度学习训练数据不足。 新型曲轴模型可能在缺乏足够样本图像的情况下投入生产。模型泛化能力不足会导致现场调试时间从预期的3天延长至2周。

无碰撞检测的轨迹规划。 某些系统依赖于基本的运动学仿真，并未充分考虑料箱壁、相邻零件以及夹爪的干涉。在深料箱拣选作业中，这可能导致碰撞引发停机，并需要反复手动重置。

没有辅助定向站。 直接将工件放入下游夹具中可能无法满足姿态精度要求。辅助工位可以在加工、标记或传送转移之前校正工件方向。当单元向下游夹具输送工件时，这一点尤为重要。 机器看管机器人 加工或数控相关工位。

核心技术解决方案

三维视觉扫描。 建议采用激光结构光或激光线扫描。视场应覆盖整个料仓，景深至少为 800 毫米。主动式激光投影有助于抑制环境光干扰，而硬件级 HDR 可提高反射表面上的点云质量。

深度学习识别。 基于注意力机制的点云分割即使在严重遮挡和随机堆叠的情况下也能识别出最上方的可拾取目标。当收集到足够多的代表性样本时，少样本迁移学习有助于将新模型的调试时间缩短至 1 到 2 天。

智能轨迹规划。 该单元应利用实时点云几何数据构建三维障碍物场景，然后将其与机器人运动学相结合，生成无碰撞的拾取和放置路径。采用“眼手一体化”相机架构，机器人可以调整扫描角度，减少盲区。

灵活的夹持器设计。 气动和电动混合式夹具可以支撑曲轴平衡块，而横向定位销则可适应轴颈间距的变化。该夹具是核心机械接口，因此应与曲轴整体结构协同设计。 机器人末端执行器 并将其视为下游装置，而不是配件。

标准化工程布局

曲轴式机器人拣选单元通常集成了六轴机器人、柔性夹爪、结构光三维视觉系统、二次定位工位、激光打标机、安全系统和电气控制柜。其工作流程简单明了：料箱进入工位，机器人通过末端摄像头进行扫描，深度学习识别零件型号和姿态，轨迹规划引导拣选，二次定位工位校正方向，激光打标机根据需要雕刻二维码，最后将零件放置在传送带或夹具上。

对于零件重量不如曲轴重的分拣和转移过程， 取放机器人 或许就足够了。对于曲轴而言，有效载荷、工作范围、腕部扭矩和夹爪重心通常使得六轴工业机器人成为更安全的基准选择。

安全系统应结合周界围栏、联锁门、光幕和安全PLC逻辑。电气柜应采用工业冷却方式，使内部温度保持在40摄氏度以下，从而降低变频器降额运行以及机器人或传送带响应不稳定的风险。

技术摘要

曲轴分拣自动化依赖于三个相互关联的能力：视觉稳定性、无碰撞轨迹规划和夹爪灵活性。视觉稳定性决定了识别上限。轨迹规划决定了碰撞风险上限。夹爪灵活性决定了单元在不同曲轴型号之间切换的效率。

硬件层已经成熟。真正的瓶颈在于现场适配：深度学习模型调优、反射面处理以及跨多个曲轴型号的快速迁移。在选择集成商时，汽车项目经验比单纯比较相机分辨率或机器人品牌更为重要。部署后，工厂应每 3 至 6 个月迭代更新视觉模型和轨迹库，以将 OEE 提升至 90% 以上。

最后更新：May 7，2026